【图像融合】基于深度学习CNN的MRI PET图像融合附matlab代码

  ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

🔥 内容介绍

摘要

磁共振成像 (MRI) 和正电子发射断层扫描 (PET) 是两种医学成像技术，它们可以提供人体不同方面的补充信息。MRI 提供详细的解剖信息，而 PET 提供功能信息。将 MRI 和 PET 图像融合可以提供更全面的信息，从而提高疾病诊断和治疗的准确性。

深度学习卷积神经网络 (CNN) 已被证明在图像融合任务中非常有效。本文介绍了使用深度学习 CNN 进行 MRI 和 PET 图像融合的方法。

方法

所提出的方法包括以下步骤：

1. **预处理：**对 MRI 和 PET 图像进行预处理，包括图像配准、归一化和增强。

2. **特征提取：**使用预训练的 CNN 从 MRI 和 PET 图像中提取特征。

3. **特征融合：**将提取的特征融合在一起，创建融合特征图。

4. **图像重建：**使用融合特征图重建融合图像。

讨论

所提出的方法提供了一种有效且准确的 MRI 和 PET 图像融合方法。融合图像提供了 MRI 和 PET 图像的互补信息，从而提高了疾病诊断和治疗的准确性。

结论

深度学习 CNN 在 MRI 和 PET 图像融合中显示出巨大的潜力。所提出的方法提供了一种有效且准确的融合方法，可以提高疾病诊断和治疗的准确性。

📣 部分代码

clc;clear;close all;​%dataFolder = '/MATLAB Drive/HW/datasetnii_MRI';dataFolder = './datasetnii_CT';​​​imds = imageDatastore(dataFolder, 'IncludeSubfolders', true, 'LabelSource' ...    , 'foldernames',...    'FileExtensions', '.nii',...    'ReadFcn', @(x)script6_niftiReadCustomized(x));​​% verisetindeki imageların boyutuna baktıkI = readimage(imds, 5);size(I)​​​​figure​for i = 1:2    A = niftiread(imds.Files{i});    subplot(1,2,i);    imagesc(A(:,:,45));    drawnow;end​​​​numTrainingFiles = 3;[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainingFiles,'randomize');%crossvalidation .....​​​layers = [ ...    imageInputLayer([79 95 1])    % derinlik sayısı bu örnekte 1    convolution2dLayer(5,20)  % 5 filter size, 20 number of filters    reluLayer                 % ReLU katmanı ile bir önceki convoltuion sonucunda x<0 olan degerler 0 a eşitlenir.     maxPooling2dLayer(2,'Stride',2)%  creates a max pooling layer with pool size [2 2] and stride [2 2]                                   %  bu işlem sonucunda 14x14 lük 20 adet image a dönüşür ​    % conv-relu-pool tekrarlayarak derinlik sayısını arttırabilirsiniz    %convolution2dLayer(5,20)     %reluLayer     %maxPooling2dLayer(2,'Stride',2)     % ​​    fullyConnectedLayer(2)     % verisetindeki sınıf sayısı 10 olduğu için 10 olacak.                                % tumor var-yok  buradaki sayı 2 olacak     softmaxLayer                %  son katmanın değerini 0-1 arasına normalize etmek için kullanılan fonksiyon    classificationLayer];      % computes the cross-entropy loss for classification .. threshold belirleyerek                               % 0-1 aralığındaki sayılardan kaça kadar                               % olanı tumor var, kaça kadar olanı tümor                               % yok anlamına geldiginiz belirliyor​%sgdm optimizer algoritmasının adı.. diger algoritmaları da%deneyebilirsiniz. adam, rmsprop, lbfgs​options = trainingOptions('sgdm', ...    'MaxEpochs',20,...    'InitialLearnRate',1e-4, ...    'Verbose',false, ...    'Plots','training-progress');​​net = trainNetwork(imdsTrain,layers,options);   % verisetine uygun trainingi başlatır.​​YPred = classify(net,imdsTest);​​YTest = imdsTest.Labels;​figure;cm = confusionchart(YTest,YPred,'RowSummary','row-normalized','ColumnSummary','column-normalized');%https://en.wikipedia.org/wiki/Sensitivity_and_specificity​​accuracy = sum(YPred == YTest)/numel(YTest)​​analyzeNetwork(net);% fc layerdaki 2880 lik flatten edilmiş array lazımlayer = 2;name = net.Layers(layer).Namechannels = 1:20;I = deepDreamImage(net,name,channels, ...    'PyramidLevels',1);​figureI = imtile(I,'ThumbnailSize',[64 64]);imshow(I)title(['Layer ',name,' Features'],'Interpreter','none')​​% belirli bir image için fully connected layer çıktısı% https://www.mathworks.com/help/deeplearning/ug/classify-videos-using-deep-learning.htmlname = net.Layers(5).Name; featureSet = activations(net,imdsTrain,net.Layers(4).Name,'OutputAs','columns');% 33300 x6 ... 6 adet veri için 33300'lik array featureset olsu% MRI veri seti ile eğitiğiniz model için MRI veri setinin bu şekilde% flatten array dataset'ini alacaksınız.% PET veri seti ile eğiteceğiniz ikinci bir model PET veri setinin flatten% array datasetini alacaksınız.% image-fusion : post-fusion (bu örnek post fusuion.. ayrı ayrı eğitip sonra birleştirir), pre-fusion (önce görüntüleri birleştirir ve tek image dataset ile tek model eğitir)% iki array nasıl birleştirir: 2880 + 2880 = değerleri toplayıp 2880 yeni% array oluşturursunuz ve ya uc uca ekleyip 5760 lık bir array% oluşturursunuz.​​​​​

⛳️ 运行结果

🔗 参考文献

[1] 朱君明.PET/MRI图像融合技术对常规MRI阴性的难治性复杂部分性癫痫患者的定位作用[C]//浙江省神经外科学学术年会.2013.

[2] 毋晓萌,刘帅,霍力,等.基于无监督深度学习的心脏PET/CT和MRI图像配准[J].中国医学影像学杂志, 2021.DOI:10.3969/j.issn.1005-5185.2021.11.023.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合